論文の概要: Quantum Cognition Machine Learning for Forecasting Chromosomal Instability

• arxiv url: http://arxiv.org/abs/2506.03199v1
• Date: Mon, 02 Jun 2025 13:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.94145
• Title: Quantum Cognition Machine Learning for Forecasting Chromosomal Instability
• Title（参考訳）: 染色体不安定性の予測のための量子認知機械学習
• Authors: Giuseppe Di Caro, Vahagn Kirakosyan, Alexander G. Abanov, Luca Candelori, Nadine Hartmann, Ernest T. Lam, Kharen Musaelian, Ryan Samson, Dario Villani, Martin T. Wells, Richard J. Wenstrup, Mengjia Xu,
• Abstract要約: 循環腫瘍細胞(CTC)の形態から染色体不安定性の正確な予測は、液体生検診断における高い転移能を有するCTCのリアルタイム検出を可能にする。 本稿では,転移性乳癌患者のCTCにおける形態予測的染色体不安定性を推定するための量子認知機械学習(QCML)の応用について紹介する。
• 参考スコア（独自算出の注目度）: 30.66112400189209
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The accurate prediction of chromosomal instability from the morphology of circulating tumor cells (CTCs) enables real-time detection of CTCs with high metastatic potential in the context of liquid biopsy diagnostics. However, it presents a significant challenge due to the high dimensionality and complexity of single-cell digital pathology data. Here, we introduce the application of Quantum Cognition Machine Learning (QCML), a quantum-inspired computational framework, to estimate morphology-predicted chromosomal instability in CTCs from patients with metastatic breast cancer. QCML leverages quantum mechanical principles to represent data as state vectors in a Hilbert space, enabling context-aware feature modeling, dimensionality reduction, and enhanced generalization without requiring curated feature selection. QCML outperforms conventional machine learning methods when tested on out of sample verification CTCs, achieving higher accuracy in identifying predicted large-scale state transitions (pLST) status from CTC-derived morphology features. These preliminary findings support the application of QCML as a novel machine learning tool with superior performance in high-dimensional, low-sample-size biomedical contexts. QCML enables the simulation of cognition-like learning for the identification of biologically meaningful prediction of chromosomal instability from CTC morphology, offering a novel tool for CTC classification in liquid biopsy.
• Abstract（参考訳）: 循環腫瘍細胞(CTC)の形態から染色体不安定性の正確な予測は、液体生検診断における高い転移能を有するCTCのリアルタイム検出を可能にする。 しかし、シングルセルデジタル病理データの高次元性と複雑さのため、これは大きな課題となる。 本稿では,転移性乳癌患者のCTCにおける形態予測的染色体不安定性を推定するための量子認知機械学習(QCML)の応用について紹介する。 QCMLは量子力学の原理を活用してヒルベルト空間における状態ベクトルとしてデータを表現し、キュレートされた特徴選択を必要とせず、文脈を考慮した特徴モデリング、次元の縮小、一般化の強化を可能にする。 QCMLは、サンプル検証CTCでテストした場合、従来の機械学習手法よりも優れており、予測された大規模状態遷移(pLST)ステータスをCTC由来のモルフォロジー特徴から識別する精度が高い。 これらの予備的な知見は、QCMLを高次元、低サンプルサイズのバイオメディカルコンテキストにおいて優れた性能を持つ新しい機械学習ツールとして活用することを支援する。 QCMLは、CTC形態から生物学的に有意な染色体不安定性の予測を識別するための認知様学習のシミュレーションを可能にし、液体生検におけるCTC分類の新しいツールを提供する。

関連論文リスト

• GS-TransUNet: Integrated 2D Gaussian Splatting and Transformer UNet for Accurate Skin Lesion Analysis [44.99833362998488]
  本稿では,2次元ガウススプラッティングとTransformer UNetアーキテクチャを組み合わせた皮膚癌自動診断手法を提案する。 セグメンテーションと分類の精度は著しく向上した。 この統合は、新しいベンチマークをこの分野に設定し、マルチタスク医療画像解析手法のさらなる研究の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-23T23:28:47Z)
• Robust Quantum Reservoir Computing for Molecular Property Prediction [0.5399129278613575]
  本稿では,潜在的な薬物分子の生物活性を予測するために,量子貯水池計算(QRC)手法を提案する。 データセットのサイズが小さくなるにつれて、より堅牢なQRC性能が観察される。 さらに、一様多様体近似と射影法を利用して、古典的特徴が量子力学によって変換されるときの構造変化を分析する。
  論文  参考訳（メタデータ） (2024-12-09T18:49:18Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data [1.3359321655273804]
  本稿では,新しいハイブリッド量子古典型機械学習パイプラインであるCompressedMediQを紹介する。 高次元のマルチクラス・ニューロイメージングデータ解析に関連する計算課題に対処する。
  論文  参考訳（メタデータ） (2024-09-13T07:03:01Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Translational Quantum Machine Intelligence for Modeling Tumor Dynamics in Oncology [18.069876260017605]
  量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。 本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T08:46:58Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。